Scris de echipa Qubic Scientific
Cum funcționează un neuron în timp?
Neuronii biologici nu funcționează ca un întrerupător de lumină din dormitor care este aprins. Ei sunt un sistem dinamic continuu. Starea neuronală evoluează constant, chiar și în absența stimulilor externi.
Cum funcționează un neuron în timp?
Practically, prin mutarea sarcinilor electrice (ioni) în sau din membrana sa, adică prin schimbarea potențialului său electric. Ionii intră sau ies (în principal sodiu și potasiu) prin diferitele porți ale neuronului cu o anumită intensitate, modificând potențialul. Există unele porți, numite porți de scurgere, unde ionii intră și ies constant.
Timpul este implicit. Potențialul electric se schimbă constant, în timp.
Schimbarea potențialului electric al unui neuron în timp depinde de:
Curentul extern aplicat + echilibrul între fluxurile ionilor de sodiu (care îl cresc) și ionii de potasiu (care îl scad) prin porțile care se deschid și se închid.
Nu intra în panică cu graficul. Sarcinile electrice pozitive și negative (ioni) curg prin porți provocând depolarizare (astfel curentul se deplasează până la capătul neuronului) sau hiperpolarizare (astfel revine la o stare neutră).
Potențialul (V) se schimbă în timp, ceea ce este matematic, dV/dt, ca o funcție a sumei porților de intrare și ieșire.
Acesta este modelul fundamental al neuroștiinței computaționale, care exprimă că starea neuronului depinde atât de semnalele curente, cât și de istoria sa imediată. Nu există “resetare” între evenimente, deoarece fiecare stimul cade pe un sistem care funcționează întotdeauna.
Acum să trecem la Neuraxon, care este un model inspirat biologic.
Vrem să fie viu, un țesut inteligent. Nu poate avea stări discrete, ci continue.
În Neuraxon, în loc de porți ionice care se deschid și se închid și mișcă sarcini cu o anumită intensitate, schimbând voltagiul, avem greutăți sinaptice dinamice. Dar ecuația modelului menține o asemănare clară și directă cu neuronul biologic.
Ce înseamnă asta?
În loc de V, voltagiul în neuronul biologic, starea lui Neuraxon, este s. Și se schimbă în timp de asemenea, prin urmare ds/dt este o funcție a greutăților și activărilor și a stării anterioare.
Spre deosebire de un model AI clasic, unde greutățile sinaptice ale unei rețele reprezintă ieșiri stereotipice pentru o intrare, în Neuraxon greutățile nu sunt statice.
Imaginează-ți, de exemplu, un mecanism de răspuns automat pentru “căsuța de email”.
În AI clasic, regula nu se ajustează sau nu se schimbă în timp sau context.
În Neuraxon, se ia în considerare dacă “intrarea email” provine de la aceeași persoană (ceea ce ar putea indica urgența) sau dacă ajunge într-un weekend (ceea ce ar putea genera un răspuns fără răspuns). Cu alte cuvinte, regula rămâne, dar când și cum se dă răspunsul este modulat.
Calculă LLM-urile timpul?
Modelele mari de limbaj par să arate o înțelegere profundă în multe contexte, dar ele funcționează pe o logică diferită de sistemele biologice (Vaswany, 2017). Ele nu funcționează pe baza unei dinamici temporale interne, pe un “schimb în potențial” sau pe “greutăți sinaptice” care modulează răspunsul, ci mai degrabă procesează secvențe discrete.
În LLM-uri, “timpul” nu există, ceea ce le face dificil să simuleze comportamentul biologic (cum ar fi inteligența). LLM-urile știu să distingă care cuvânt vine înainte și care vine după, dar nu oferă o experiență de durată sau persistență. Ordinea înlocuiește timpul.
Spre deosebire de Neuraxon, acestea nu posedă ritmuri interne care să accelereze sau să încetinească, nici nu arată o habituare progresivă la stimuli repetati, nici nu pot anticipa dinamic pe baza unei stări interne care se schimbă în timp.
Calculul modelului LLM ar fi ceva de genul:
ieșire = Fθ(entrada)
deci rezultatele sunt soluții fixe dintr-o funcție (combinare) a intrărilor.
Nu există stare ca funcție a timpului. Acestea sunt date care formează matrice enorme și își schimbă valoarea printr-o funcție specifică, care, așa cum este exemplul citat, restricționează posibilitățile: intrare email → răspuns automat.
În concluzie. Distanța dintre modelele inspirate biologic, cum ar fi Neuraxon, și modelele mari de limbaj nu ar trebui explicată în termeni de putere de calcul sau volum de date. Există o diferență mai profundă.
Creierul este, în sine, un sistem temporal continuu. Funcționarea sa este definită de dinamici care se desfășoară în timp, de stări care evoluează, se degradează și se reorganizează permanent, chiar și în absența stimulilor externi (Deco et al., 2009; Northoff, 2018).
Neuraxon se poziționează deliberat în cadrul acelei logici. Nu încearcă să imite 1 la 1 complexitatea biofizică a creierului, ci încorporează explicit timpul ca o variabilă computațională. Starea sa internă evoluează continuu, poartă trecutul și modulează prezentul, permițând adaptarea fără a necesita un reset.
LLM-urile, în schimb, funcționează foarte diferit. Ele manipulează simboluri ordonate în secvențe discrete fără propriile dinamici temporale. Nu există timp, doar ordine. Nu există adaptare, doar răspunsuri predefinite.
Atâta timp cât timpul nu face parte din starea care guvernează calculul, LLM-urile pot fi eficiente, dar cu greu vor fi autonome într-un sens puternic.
Inteligența artificială viitoare își propune să funcționeze în medii dinamice. Aceasta este motivul pentru care Neuraxon include timpul ca o variabilă fundamentală.
Un țesut inteligent viu…
Cum se leagă aceasta de Qubic?
Qubic oferă mediu computațional continuu, cu stare, necesar pentru inteligența conștientă de timp.
Este substratul natural pe care modele precum Neuraxon - adaptiv, persistent și niciodată “resetându-se” - pot exista și evolua.
Adăugiri
Uită-te la ecuații. Nu intra în panică!
1 neuron biologic, V potențial, “suma fluxului porților în & afară”
2 ecuația modelului Neuraxon - asemănare clară și directă cu neuronul biologic.
s stare, wi & f(si) greutăți sinaptice dinamice
3 ecuația modelului LLM. Intrările (ordonate într-o matrice) creează ieșiri matriceale printr-o funcție fixă
p (xn+1 | x₁, …, xn) = softmax (Fθ (x₁, …, xn) )
Referințe
Deco, G., Jirsa, V. K., Robinson, P. A., Breakspear, M., & Friston, K. J. (2009). Creierul dinamic. PLoS Computational Biology, 5(8), e1000092.
Northoff, G. (2018). Creierul spontan. MIT Press.
Vaswani, A., et al. (2017). Atenția este tot ce ai nevoie. NeurIPS.
Vivancos, D., & Sanchez, J. (2025). Neuraxon: O nouă schemă de creștere neurală & computație. Qubic Science.
rint. Qubic Science.